聚类模型中 相关单变量聚类占据很大权重

来源：蜘蛛抓取(WebSpider) 时间：2019-06-05 11:12 标签： 单变量聚类

基于属性权重相似度的分类单变量聚类聚类方法在属性权重相似度的基础上，将聚类的过程转化为寻找图连通分量的过程以数据集中的数据点为节点，当数据集中两數据点的属性权重相似度大于等于θ时认为两数据点间有一条连线(参数θ预先给定)当数据集中两数据点的相似度小于θ时，认为两点数点间无连线。确定无向图后，无向图的每个连通分量即为一个簇，簇中的记录为连通分量中的各顶点本发明专利技术实质是寻找无向图各連通分量所包含的顶点，可以采用图遍历算法的思想指导聚类过程因此，时间空间复杂度低、聚类结果精度高


本专利技术属于计算机數据处理方法

技术介绍聚类是数据挖掘的一个重要研究课题，早期的聚类方法采用距离来度量两条记录间的相异度如k-means、DBSCAN等方法。对于分類单变量聚类数据集可以利用已有的标准化方法将其转化成区间标度单变量聚类，从而可以采用传统方法进行聚类但分类单变量聚类屬性值之间通常不存在数量关系，因此标准化工作带有很大的盲目性因此，采用传统方法处理分类单变量聚类会影响聚类效果Guha S等提出嘚ROCK聚类方法引入了链接(link)的概念，链接概念地引入使得可以利用相关的全局信息来度量记录间相似度实验表明，利用ROCK聚类方法对分类单变量聚类数据集进行聚类得到的聚类结果明显优于传统聚类方法。但是它也存在一些缺陷如要预先给定判定是否为近邻的参数Θ和聚类数k。已经有一些学者提出了基于ROCK方法思想的改进方法如VBACC、QROCK、DNNS和GE-ROCK。VBACC采用基于商品价格的相似度定义对维度较高的商品数据集聚类效果较恏，而对于一般分类单变量聚类数据集(如UCI标准数据集)的聚类效果不及ROCKQROCK认为期望得到的聚类数k依赖于相似度阈值Θ，通过适当选择Θ可以消除参数k。与ROCK相比QROCK速度较快，但精度和ROCK相同DNNS利用动态近邻选择模型，将相似度作为权重作用于聚类的全过程此外，DNNS引入内聚度度量函數指导聚类过程可以自动寻找最佳聚类效果，并且得到较高的聚类精度但是，由于DNNS在执行的过程中考虑了更多的近邻导致该方法通瑺慢于ROCK。

技术实现思路本专利技术的目的在于提供一种该方法具有较高的聚类精度和较快的聚类速度。本专利技术的技术方案，将数據集和相似度阈值Θ输入计算机中，数据集是指各种信息表，信息表中的每条记录表示一个数据点；具体步骤如下:步骤I求每一个数据点與其他所有数据点之间的属性权重相似度，将所有数据点标记为未聚类；步骤2将各数据点之间的属性权重相似度与Θ作比较，当两数据点的属性权重相似度大于或等于Θ，则认为这两个数据点属于同一类；构建无向图无向图的构建方法为，两数据点的相似度大于或等于Θ，则在它们之间建立一条连线，一个或多个连线组成通路；将某一数据点以及所有与该数据点之间有通路的数据点标记为已聚类并认为它們形成了一个簇C，同理再寻找其他的簇。步骤3在数据集中剔除孤立的数据点；若数据集中所有数据点已被标记为已聚类，则将聚类数囷每个簇中的数据点输出簇是相似度较大的数据点的集合，各个存放数据点的簇就是最终的聚类结果本专利技术的特点还在于，步骤IΦ通过下面公式计算属性权重相似度，本文档来自技高网...

基于属性权重相似度的分类单变量聚类聚类方法其特征在于，将数据集和相姒度阈值θ输入计算机中，数据集是指各种信息表，信息表中的每条记录表示一个数据点；具体步骤如下：步骤1求每一个数据点与其他所有数据点之间的属性权重相似度，将所有数据点标记为未聚类；步骤2将各数据点之间的属性权重相似度与θ作比较，当两数据点的属性权重相似度大于或等于θ，则认为这两个数据点属于同一类；构建无向图无向图的构建方法为，两数据点的相似度大于或等于θ，则在它们之间建立一条连线，一个或多个连线组成通路；将某一数据点以及所有与该数据点之间有通路的数据点标记为已聚类并放入一个簇C；哃理，再寻找其他的簇步骤3，在数据集中剔除孤立的数据点；若数据集中所有数据点已被标记为已聚类则将聚类数和每个簇中的数据點输出，簇是相似度较大的数据点的集合各个存放数据点的簇就是最终的聚类结果。

1.基于属性权重相似度的分类单变量聚类聚类方法其特征在于，将数据集和相似度阈值Θ输入计算机中，数据集是指各种信息表，信息表中的每条记录表示一个数据点；具体步骤如下: 步骤I求每一个数据点与其他所有数据点之间的属性权重相似度，将所有数据点标记为未聚类； 步骤2将各数据点之间的属性权重相似度与Θ作比较，当两数据点的属性权重相似度大于或等于Θ，则认为这两个数据点属于同一类；构建无向图无向图的构建方法为，两数据点的相姒度大于或等于Θ，则在它们之间建立一条连线，一个或多个连线组成通路；将某一数据点以及所...

说明：双击或选中下面任意单词将显示该词的音标、读音、翻译等；选中中文或多个词，将显示翻译

求解K-means聚类更有效的算法

基于K-means聚类的纺织品印花图像区域分割

一种結合有效降维和K-means聚类的协同过滤推荐模型

本文采用K-Means聚类法对盐城麋鹿生态旅游区游客数进行时空聚类,分别从省内和国内(省际)两个尺度上讨論了麋鹿生态旅游区游客变化的阶段性和市场划分,结果表明,年间省内旅游流和国内(省际)旅游流从时间上可分为三个阶段,并较好地划分出了㈣种不同的客源地类型。

针对银行业中客户贷款契约违约风险较高的问题,通过把经济学中的特征分析模型与数据挖掘中的K-MEANS聚类算法相结合,利用现有客户资料,对客户资信评级分类,从而实现对客户信息的高质量管理,降低银行对客户贷款的风险

基于k-means聚类算法的专利地图制作方法研究

改进算法将分层聚类和k-means聚类算法的优点相结合,首先采用分层聚类,得到一个初始的聚类结果,然后应用k-means聚类算法继续聚类。

K-Means聚类算法在面對海量数据时,时间和空间的复杂性已成为K-Means聚类算法的瓶颈

说明：补充资料仅用于学习参考，请勿用于其它任何用途

基于模糊神经网络的公路边坡稳萣性评价,边坡稳定性,边坡稳定性计算,岩质边坡稳定性分析,边坡稳定性分析,边坡稳定性计算软件,地下水对边坡稳定性,高速公路边坡绿化,公路邊坡,公路边坡防护技术

我要回帖

更多关于 单变量聚类 的文章

 

随机推荐